《AI》：Remote Sensing-Based Mapping of Paddy Rice Cultivation Areas: Progress and Prospects in the Era of Artificial Intelligence
编辑推荐：
准确且及时的水稻种植面积制图是粮食安全评估、农业资源管理及气候变化适应的重要基础。由于遥感能够提供重复性强、大范围的观测能力，已成为监测水稻种植不可或缺的手段。研究人员系统综述了2000年以来发表的相关研究，重点剖析2016年之后方法学与技术的演进，并批判性评
准确且及时的水稻种植面积制图是粮食安全评估、农业资源管理及气候变化适应的重要基础。由于遥感能够提供重复性强、大范围的观测能力，已成为监测水稻种植不可或缺的手段。研究人员系统综述了2000年以来发表的相关研究，重点剖析2016年之后方法学与技术的演进，并批判性评估人工智能（Artificial Intelligence, AI）在水田识别中的作用。研究人员考察了光学影像、合成孔径雷达（Synthetic Aperture Radar, SAR）、高光谱数据、无人机（Unmanned Aerial Vehicle, UAV）观测以及多源数据融合在水稻识别中的观测特征与固有局限；进而梳理了从阈值分类、物候驱动的时间序列分析，到机器学习、深度学习及云计算框架的方法演进，比较其在精度、可扩展性、计算效率、可迁移性与可解释性方面的差异。研究人员还综述了全球、区域与田块尺度下的应用目标与空间需求，以及现行验证策略与不确定性来源。当前持续存在的挑战包括云污染、作物类型间的光谱与物候混淆、目标定义模糊、跨区泛化能力有限、多熟制区分困难、模型迁移证据不足以及证据地理分布集中等。优先发展方向涵盖自适应多源数据融合、自监督与物理引导学习、地球观测基础模型（Earth Observation Foundation Models）、可解释且不确定性感知的AI、地块级产品生成，以及与作物生长模型耦合的业务化监测系统。
引言
水稻是全球半数以上人口的重要能量来源，亚洲贡献了约九成产量。传统统计与野外调查成本高、滞后且空间覆盖不全，遥感凭借重复观测、多传感器、低成本与长时序档案成为水田制图核心工具。综述将发展划分为三阶段：1970—1990年代单时相光学目视解译与监督分类；2000—2015年时序光学指数（NDVI、EVI、LSWI）物候建模；2016年至今Sentinel-1/2、深度网络、Transformer与Google Earth Engine（GEE）云计算融合。文章明确将“面积制图”限定为田块物理范围提取，对熟制、栽植方式、边界划分等目标变量单独命名，并以证据等级视角审视验证独立性与标签来源。
水稻遥感特征与数据源
水稻早期淹水至快速封行的过渡在光学反射与雷达后向散射中形成诊断性时序信号。光学方面，移栽期近红外（NIR）低、LSWI可能高于NDVI/EVI；植被期NDVI上升，EVI缓解高生物量饱和。SAR方面，C波段VV/VH在淹水期因镜面反射出现低值，冠层发育后体积散射增强，VH可升高约7–10 dB，相对时序变化比固定阈值更具迁移性。L波段穿透更强，X波段易饱和。数据源上，MODIS宜大尺度物候，Landsat宜长时序回溯，Sentinel-2提供10–20 m红边信息，Sentinel-1提供全天时观测；高光谱与UAV限于田块级与样本生成。
水稻种植面积提取方法
传统方法依赖阈值、决策树与监督分类，透明但泛化弱。物候时间序列通过云掩膜、Savitzky–Golay滤波构建指数轨迹，结合动态时间规整（Dynamic Time Warping, DTW）匹配参考曲线。机器学习以随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）、XGBoost为主，配合自动样本生成（如FARM、PSPR）降低标注成本。深度学习涵盖补丁卷积神经网络（CNN）、U-Net/ResU-Net分割、LSTM/BiLSTM时序模型、Transformer（SITS-Former、RDTFNet）及实例分割（RACNet）；地球观测基础模型（Prithvi、SatMAE等）处于早期验证阶段。多源融合分输入级、特征级、决策级与时空融合（STARFM/ESTARFM/FSDAF），光学—SAR协同可弥补云缺失并提升复杂区鲁棒性，但增益需在与基线一致的条件下量化。
典型研究区域与应用情境
空间尺度从洲际（MODIS）、全国/大区（Sentinel+GEE）、流域/县域到田块（GF-2、Pléiades、实例分割）。证据地理集中在中国与少数美洲、亚洲站点，缺非洲样本，限制全球泛化断言。多熟制（早/中/晚稻、双季、三季、再生稻、稻渔系统）因物候重叠需全年密集时序；栽植方式（移栽、水直播、旱直播）依赖短期水面动态。应用端指向粮食安全风险图、甲烷排放核算、灾害保险与政策评估，并与ESA WorldCereal、GFSAD30等基准产品对照，强调像素分类需叠加地块后处理与面积无偏估计。
精度评估与不确定性分析
除总体精度（Overall Accuracy, OA）外，应报告生产者/用户精度、F1、IoU与边界缓冲IoU（BIoU）；小样本与多数类主导时采用宏F1与平衡精度。验证样本须时间与空间独立，推荐空间分块、留域交叉与年份外推。面积估计采用设计一致误差矩阵与95%置信区间。AI引入预测过自信、认知不确定性（集成/MC Dropout/保形预测）、标签规则循环（训练与验证同源于物候规则）等风险；需区分“与规则标签一致”和“与地面真值一致”。
关键问题与挑战
云污染、光谱/物候混淆、梯田与碎片田、无淹水信号旱稻与再生稻、目标定义不一致、预处理与评估协议异构，共同导致跨年跨区迁移失败。深度学习黑箱削弱业务信任，基础模型在细粒度水稻类上收益未获充分验证。
发展趋势与未来方向
自适应光学—SAR—热—LiDAR融合、由像素向地块单元转化、云原生业务服务；自监督/弱监督降低标注依赖；物理引导与可解释注意力机制；开放基准与统一报告规范（架构、输入、预训练目标、微调协议、独立性验证）。最终朝向不确定性感知、可迁移、可审计的水稻系统制图演进。
结论
遥感水稻制图已由单时相分类走向AI驱动的多源时序建模，但高精度数字不等于可迁移证据。未来突破取决于物候知识嵌入、跨域评测标准、基础模型细粒度验证与业务化面积估计体系。
论文主体解读已完成，接下来可以选择一个方向继续深化：
